一种基于深度极速学习机的脑电信号分类方法及系统技术方案
【技术实现步骤摘要】
一种基于深度极速学习机的脑电信号分类方法及系统
本专利技术涉及模式识别和机器学习领域，具体涉及一种基于深度极速学习机的脑电信号分类方法及系统。
技术介绍
脑机接口是基于脑电信号实现人脑与计算机或其它电子设备通讯和控制的技术。脑机接口的核心技术是对预处理的脑电信号进行特征提取和对已经提取的脑电信号进行分类。近年来，随着计算机技术的发展，脑机接口得到了突飞猛进的进展，脑机接口应用到医学、军事等许多领域。目前，脑电信号的分类方法有决策树、贝叶斯分类器、K近邻分类器、支持向量机、极速学习机等。其中多数分类算法是浅层神经网络算法，对复杂函数的表示能力有限，而深度学习没有这种限制。深度学习是一种多隐层多层感知器的人工神经网络学习算法，实现复杂函数的逼近并缓解了以前多层神经网络算法的局部最小性问题。2006年，深度学习的概念被首次提出。随后，深度置信网、堆叠自动编码器这些深度网络模型被提出。2013年，有学者在自动编码器和极速学习机基础上提出多层极速学习机模型。极速学习机是一种高效简洁的单隐层前馈神经网络的学习算法。脑电信号需要在受试者大脑皮层采集，需要预处理加工。在经典的模式...
【技术保护点】
一种基于深度极速学习机的脑电信号分类方法及系统，其特征在于，通过构建带有标签的脑电信号作为样本集对深度极速学习机神经网络进行训练，将训练好的神经网络保存，将待分类的脑电信号作为输入，根据输出向量得到分类结果。
【技术特征摘要】
1.一种基于深度极速学习机的脑电信号分类方法及系统，其特征在于，通过构建带有标签的脑电信号作为样本集对深度极速学习机神经网络进行训练，将训练好的神经网络保存，将待分类的脑电信号作为输入，根据输出向量得到分类结果。2.根据权利要求1所述的方法，其特征是，所述的样本集是：根据视觉反馈试验中的未加工的脑电信号，制作脑电信号的训练集和标签集，并将未加工的脑电信号转化为5376*1的向量。3.根据权利要求1所述的方法，其特征是，所述的深度极速学习机神经网络为多层神经网络，包括输入层、三个隐层和一个输出层，其中：输入层是5376*1的向量，前两个隐层结点数为500，最后一层隐层结点数不需要人为给定，输出层设置为2个结点。4.根据权利要求1所述的方法，其特征是，所指的训练是指：将样本集(包括预处理后的脑电信号和标签)输入到设置好的深度极速学习机神经网络，结合极速学习机-自动编码器与核函数，完成对神经网络的训练。5.根据权利要求1或4所述的方法，其特征是，所述的训练包括：1：利用极速学习机-自动编码器的网络计算前两层隐层的连接权值；2：将学习到的特征映射到核空间得到最后一层隐层的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。